WO2018099220A1 - 一种种植设备中植物病虫害预测方法及装置 - Google Patents
一种种植设备中植物病虫害预测方法及装置 Download PDFInfo
- Publication number
- WO2018099220A1 WO2018099220A1 PCT/CN2017/107917 CN2017107917W WO2018099220A1 WO 2018099220 A1 WO2018099220 A1 WO 2018099220A1 CN 2017107917 W CN2017107917 W CN 2017107917W WO 2018099220 A1 WO2018099220 A1 WO 2018099220A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- pest
- pests
- diseases
- target plant
- plant
- Prior art date
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 258
- 201000010099 disease Diseases 0.000 title claims abstract description 176
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000012010 growth Effects 0.000 claims description 63
- 230000007613 environmental effect Effects 0.000 claims description 61
- 241000238631 Hexapoda Species 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 description 139
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Definitions
- the present application relates to the field of planting technology, and in particular to a method and device for predicting plant diseases and pests in a planting device.
- planting equipment such as planting boxes and planting greenhouses are gradually increasing. Most of the planting boxes are used for the cultivation of small vegetable plants, which can be used not only for home decoration, but also for entertainment and parent-child education. Planting greenhouses are mostly used for the cultivation of large-scale vegetable plants, which can create economic benefits for users.
- the purpose of the present application is to provide a method and a device for predicting plant diseases and insect pests in planting equipment, so as to accurately predict whether the target plant will develop pests and diseases and the types of pests and diseases that will occur in the next period, and facilitate planting equipment or users to take relevant measures in time. Measures to reduce the losses caused by pests and diseases and enhance the user experience.
- a method for predicting plant diseases and insect pests in planting equipment comprising:
- the predicting whether the target plant will cause pests and diseases in the next period according to the comparison result comprises:
- the method further includes:
- the pest warning information is output.
- the pest and disease warning information is sent to the planting equipment, so that the planting equipment adjusts corresponding environmental parameters according to the set plan.
- the pest model library is pre-established by the following steps:
- a plant pest and disease prediction device for planting equipment comprising:
- the pest prediction module is configured to predict whether the target plant will develop pests and diseases in the next period according to the comparison result.
- the first prediction submodule is configured to predict that the target plant does not cause pests and diseases in the next period
- the second prediction sub-module is configured to predict that the target plant will have pests and diseases in the next period of time.
- the prediction The target plant will develop a type of pest in the next period of time.
- the method further includes an early warning information output module, configured to:
- the pest warning information is outputted when the target plant is predicted to have pests and diseases in the next period.
- the early warning information output module is specifically configured to:
- a pest and disease model library building module is further included.
- the pest model library is pre-established by the following steps:
- FIG. 1 is a flow chart of implementation of a method for predicting plant diseases and pests in a planting apparatus according to an embodiment of the present application
- the target plant is a plant grown in a planting device such as a planting box or a planting greenhouse, and may be any plant that is in a growing state.
- the pest sample data may include pest and disease habit data collected by pest monitoring, test data, satellite remote sensing data, survey data, etc., through various transmissions.
- Environmental data such as temperature data, humidity data, rainfall data, and sunshine data collected by the sensor may also include data such as pest and disease expert knowledge and disease feature images.
- the data of the obtained pest and disease samples of the same type of plants are analyzed separately, and the environmental data corresponding to each type of pests and diseases can be determined, that is, the type of pests and diseases that are prone to occur under various growth environments can be obtained by analysis. .
- step S140 may include the following steps:
- the fourth step predicting that the target plant will develop pests and diseases in the next period.
- the type of pest and disease corresponding to the highest matching degree in the pest model library can be predicted as the type of pests and diseases that the target plant will occur in the next period.
- the pre-established pest and disease model library corresponding to the type of the target plant can directly predict the current growth environment data of the target plant and the pests and diseases when the target plant needs to be predicted to have pests and diseases.
- the environmental data corresponding to each type of pests and diseases in the model library are compared, and based on the comparison results, it is predicted whether the target plants will suffer from pests and diseases in the next period. In this way, it is possible to make a more accurate prediction of whether the target plant will have pests and diseases in the next period, and it is convenient for planting equipment or users to take relevant measures in time to reduce the losses caused by pests and diseases and improve the user experience.
- the pest warning information will be output.
- a first prediction sub-module for predicting that the target plant will not cause pests and diseases in the next period
- the second prediction submodule is further configured to:
- the method further includes an early warning information output module, configured to:
- the early warning information output module is specifically configured to:
- the pest and disease warning information is sent to the planting equipment, so that the planting equipment adjusts the corresponding environmental parameters according to the set plan.
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种种植设备中植物病虫害预测方法及装置，该方法包括以下步骤：确定在种植设备内生长的目标植物的类型（S110）；获得目标植物当前的生长环境数据（S120）；将目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果（S130），病虫害模型库与目标植物的类型相对应；根据比对结果，预测目标植物在下一时段是否会发生病虫害（S140）。应用上述方法，可以对目标植物在下一时段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
Description
本申请要求于2016年11月30日提交中国专利局、申请号为201611093073.5、发明名称为“一种种植设备中植物病虫害预测方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本申请涉及种植技术领域，特别是涉及一种种植设备中植物病虫害预测方法及装置。
随着科学技术的发展进步，种植箱、种植大棚等种植设备逐渐增多。种植箱多数应用于小型蔬菜植物的种植，不仅可以用于家庭装饰，还可以达到娱乐及亲子教育的目的。种植大棚多数应用于大规模蔬菜植物的种植，可以为用户创造经济效益。
在种植设备中生长的植物，如果维护不当，难免会遭受病虫害。一旦种植设备中植物遭受病虫害，将给用户带来较大损失。所以，如何预测植物下一时段是否会发生病虫害，是目前亟需解决的技术问题。
发明内容
本申请的目的是提供一种种植设备中植物病虫害预测方法及装置，以对目标植物在下一时段是否会发生病虫害及会发生的病虫害的类型进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
为解决上述技术问题，本申请提供如下技术方案：
一种种植设备中植物病虫害预测方法，包括：
确定在种植设备内生长的目标植物的类型；
获得所述目标植物当前的生长环境数据；
将所述目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果，所述病虫害模
型库与所述目标植物的类型相对应；
根据所述比对结果，预测所述目标植物在下一时段是否会发生病虫害。
在本申请的一种具体实施方式中，所述根据所述比对结果，预测所述目标植物在下一时段是否会发生病虫害，包括：
根据所述比对结果，确定所述目标植物当前的生长环境数据与所述病虫害模型库中每种类型的病虫害对应的环境数据的匹配程度；
确定各个匹配程度是否均小于预设第一阈值；
如果是，则预测所述目标植物在下一时段不会发生病虫害；
如果否，则预测所述目标植物在下一时段会发生病虫害。
在本申请的一种具体实施方式中，在确定至少一个匹配程度大于或等于所述第一阈值时，还包括：
如果所述目标植物当前的生长环境数据与一种或多种类型病虫害对应的环境数据的匹配程度大于预设第二阈值，则预测所述目标植物在下一时段会发生病虫害的类型。
在本申请的一种具体实施方式中，还包括：
如果预测所述目标植物在下一时段会发生病虫害，则输出病虫害预警信息。
在本申请的一种具体实施方式中，所述输出病虫害预警信息，包括：
将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
在本申请的一种具体实施方式中，通过以下步骤预先建立所述病虫害模型库：
获得与所述目标植物的种类相同的植物的多组病虫害样本数据；
对获得的病虫害样本数据进行分析，确定每种类型的病虫害所对应的环境数据；
根据每种类型的病虫害和环境数据的对应关系，建立所述病虫害模型库。
一种种植设备中植物病虫害预测装置，包括：
目标植物类型确定模块，用于确定在种植设备内生长的目标植物的类
型；
生长环境数据获得模块，用于获得所述目标植物当前的生长环境数据；
数据比对模块，用于将所述目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果，所述病虫害模型库与所述目标植物的类型相对应；
病虫害预测模块，用于根据所述比对结果，预测所述目标植物在下一时段是否会发生病虫害。
在本申请的一种具体实施方式中，所述病虫害预测模块，包括：
匹配程度确定子模块，用于根据所述比对结果，确定所述目标植物当前的生长环境数据与所述病虫害模型库中每种类型的病虫害对应的环境数据的匹配程度；
比较子模块，用于确定各个匹配程度是否均小于预设第一阈值，如果是，则触发第一预测子模块，如果否，则触发第二预测子模块；
所述第一预测子模块，用于预测所述目标植物在下一时段不会发生病虫害；
所述第二预测子模块，用于预测所述目标植物在下一时段会发生病虫害。
在本申请的一种具体实施方式中，所述第二预测子模块，还用于：
在确定至少一个匹配程度大于或等于所述第一阈值时，如果所述目标植物当前的生长环境数据与一种或多种类型病虫害对应的环境数据的匹配程度大于预设第二阈值，则预测所述目标植物在下一时段会发生病虫害的类型。
在本申请的一种具体实施方式中，还包括预警信息输出模块，用于：
在预测所述目标植物在下一时段会发生病虫害时，输出病虫害预警信息。
在本申请的一种具体实施方式中，所述预警信息输出模块，具体用于：
将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
在本申请的一种具体实施方式中，还包括病虫害模型库建立模块，用
于通过以下步骤预先建立所述病虫害模型库：
获得与所述目标植物的种类相同的植物的多组病虫害样本数据；
对获得的病虫害样本数据进行分析，确定每种类型的病虫害所对应的环境数据；
根据每种类型的病虫害和环境数据的对应关系，建立所述病虫害模型库。
应用本申请实施例所提供的技术方案，预先建立的与目标植物的类型相对应的病虫害模型库，在需要对目标植物是否会发生病虫害进行预测时，可以将目标植物当前的生长环境数据分别与病虫害模型库中每种类型的病虫害对应的环境数据进行比对，根据比对结果，预测目标植物在下一时段是否会发生病虫害。这样，可以对目标植物在下一时段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种种植设备中植物病虫害预测方法的实施流程图；
图2为本申请实施例中一种种植设备中植物病虫害预测装置的结构示意图。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具
体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1所示，为本申请实施例所提供的一种种植设备中植物病虫害预测方法的实施流程图，该方法可以包括以下步骤：
S110：确定在种植设备内生长的目标植物的类型。
在本申请实施例中，目标植物为在种植箱、种植大棚等种植设备中生长的植物，其可以是正处于生长状态的任意一种植物。
在实际应用中，目标植物在生长过程中，受其所处的环境条件的影响，可能会遭受病虫害。如果用户或者种植设备能够提前获知目标植物在下一时段是否会发生病虫害，将有助于用户或者种植设备提前采取相应措施，如调整环境参数等，减小病虫害带来的损失。下一时段是当前之后的时段。
针对目标植物的病虫害预测需求，应用本申请实施例所提供的技术方案，可以预测目标植物在下一时段是否会发生病虫害。
在本申请实施例中，可以在接收到用户针对目标植物的病虫害预测请求时，确定待预测病虫害的目标植物，还可以周期性确定待预测病虫害的目标植物，即定期对目标植物在下一时段是否会发生病虫害进行预测。
不同类型的植物受环境影响程度可能不同，可以在要对目标植物在下一时段是否会发生病虫害进行预测时，确定目标植物的类型。
S120：获得目标植物当前的生长环境数据。
在本申请实施例中，目标植物的生长环境数据为目标植物在生长过程中的环境信息数据。具体的，生长环境数据可以是温度、光照、湿度、土壤成分、PH值等数据。
在步骤S110确定在种植设备内生长的目标植物的类型后，可以获得目标植物的生长环境数据。
在目标植物生长过程中，可以通过环境监测等手段实时获取并记录目标植物当前的生长环境数据，也可以从生长环境数据库中提取最新的生长环境数据，作为目标植物当前的生长环境数据。比如，通过种植设备中内
置的环境监测设备，如温度传感器、湿度传感器等获取目标植物当前的生长环境数据，或者种植设备通过环境监测设备定时获取目标植物的生长环境数据，生成生长环境数据库，提取生长环境数据库中最新的生长环境数据，作为目标植物当前的生长环境数据。
S130：将目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果。
其中，所述病虫害模型库与所述目标植物的类型相对应。
在本申请实施例中，可以预先建立病虫害模型库。具体的，可以针对不同类型的植物，建立不同的病虫害模型库，并将多个病虫害模型库归入到一个模型数据库中进行维护和管理。当需要对目标植物在下一时段是否会发生病虫害进行预测时，可以在模型数据库中选择出该目标植物的类型对应的病虫害模型库。
病虫害模型库中可以记录多种类型的病虫害，及每种类型的病虫害对应的环境数据。
在本申请一种具体实施方式中，可以通过以下步骤预先建立病虫害模型库：
步骤一：获得与目标植物的种类相同的植物的多组病虫害样本数据；
步骤二：对获得的病虫害样本数据进行分析，确定每种类型的病虫害所对应的环境数据；
步骤三：根据每种类型的病虫害和环境数据的对应关系，建立病虫害模型库。
为便于描述，将上述三个步骤结合起来进行说明。
在本申请实施例中，可以通过病虫害监测等方式获得与目标植物的类型相同的植物的多组病虫害样本数据。在实际应用中，可以对多种类型的植物的生长情况进行监测，并实时记录每种类型的植物在生长过程中的生长环境相关数据，当某种植物发生病虫害时，可以将该植物发生的病虫害类型及在先记录的该植物的生长环境相关数据作为一组病虫害样本数据。
在本申请实施例中，病虫害样本数据可以包括通过病虫害监测收集到的病虫害习性数据、试验数据、卫星遥感数据、调查数据等，通过各种传
感器收集到的温度数据、湿度数据、降雨量数据、日照数据等环境数据，另外，还可以包括病虫害专家知识、病害特征图像等数据。
分别对获得的同一类型植物的病虫害样本数据进行分析，可以确定每种类型的病虫害所对应的环境数据，即通过分析可以得到各类型的植物在什么样的生长环境下容易发生哪种类型的病虫害。
根据每种类型的病虫害和环境数据的对应关系，建立病虫害模型库。在病虫害模型库中记录有多种类型的病虫害，及每种类型的病虫害对应的环境数据。
在步骤S120获得目标植物的生长环境数据后，可以将目标植物的生长环境数据分别与病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果。
具体的，可以按照设定的分类规则对目标植物的生长环境数据进行分类，如将生长环境数据分为湿度数据、温度数据等，并按照设定的量化标准对每类生长环境数据进行量化处理，得到每类生长环境数据的量化值。举例而言，土壤中设定化学成分的含量处于[0％,20％]范围时，可以将其量化为51，当该含量处于[40％,60％]范围时，可以将其量化为124。同样，病虫害模型库中记录的每种类型的病虫害对应的环境数据，也可以是按照同样的分类规则分类，按照同样的量化标准量化的。针对病虫害模型库中每种类型的病虫害，将目标植物的每类生长环境数据的量化值与该类型的病虫害对应的相应类环境数据的量化值进行比对，可以得到比对结果。
S140：根据比对结果，预测目标植物在下一时段是否会发生病虫害。
在步骤S130，将目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，可以获得比对结果，根据比对结果，可以预测目标植物在下一时段是否会发生病虫害。
在本申请的一种具体实施方式中，步骤S140可以包括以下步骤：
第一个步骤：根据比对结果，确定目标植物当前的生长环境数据与病虫害模型库中每种类型的病虫害对应的环境数据的匹配程度；
第二个步骤：确定各个匹配程度是否均小于第一阈值，如果是，则执行第三个步骤，如果否，则执行第四个步骤；
第三个步骤：预测目标植物在下一时段不会发生病虫害；
第四个步骤：预测目标植物在下一时段会发生病虫害。
为便于描述，将上述四个步骤结合起来进行说明。
将目标植物当前的生长环境数据与目标植物的类型对应的病虫害数据库中的每种类型的病虫害对应的环境数据进行比对，可以根据预设的计算规则，计算得到目标植物的生长环境数据与前述每种类型的病虫害对应的环境数据的匹配程度。
如果目标植物的生长环境数据与病虫害模型库中每种类型的病虫害对应的环境数据的匹配程度均小于预设第一阈值，则表明目标植物的生长环境数据与每种类型的病虫害对应的环境数据的相似程度较小，可以预测目标植物在下一时段不会发生病虫害。如果目标植物的生长环境数据与病虫害模型库中至少一种类型的病虫害对应的环境数据的匹配程度大于或等于该预设第一阈值，则可以预测目标植物在下一时段会发生病虫害。
在确定至少一个匹配程度大于或等于第一阈值时，如果目标植物当前的生长环境数据与一种或多种类型病虫害对应的环境数据的匹配程度大于预设第二阈值，则可以预测目标植物在下一时段会发生病虫害的类型。这样，预测目标植物在下一时段发生的病虫害类型可能有一种或多种。第二阈值可以与第一阈值相同，或者第二阈值大于第一阈值。
或者，可以将病虫害模型库中最高的匹配程度对应的病虫害类型预测为目标植物在下一时段发生的病虫害类型。
应用本申请实施例所提供的方法，预先建立的与目标植物的类型相对应的病虫害模型库，在需要对目标植物是否会发生病虫害进行预测时，可以将目标植物当前的生长环境数据分别与病虫害模型库中每种类型的病虫害对应的环境数据进行比对，根据比对结果，预测目标植物在下一时段是否会发生病虫害。这样，可以对目标植物在下一时段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
在本申请的一个实施例中，该方法还可以包括以下步骤：
如果预测目标植物在下一时段会发生病虫害，则输出病虫害预警信息。
如果预测目标植物在下一时段会发生病虫害，则输出病虫害预警信息，具体的，可以将该预警信息输出给种植设备，由种植设备控制其内置的病虫害预警指示灯闪烁，或者，可以将该预警信息输出给用户，以使用户针对该预警信息采取相应措施。
在本申请实施例中，病虫害模型库中还可以记录每种类型的病虫害对应的防治手段，在预测目标植物在下一时段会发生病虫害，且预测出会发生的病虫害的类型时，可以在病虫害模型库中查找该类型的病虫害对应的防治手段，在输出的病虫害预警信息中携带防治手段信息。
在本申请的一种具体实施方式中，具体可以将病虫害预警信息发送给种植设备，以使种植设备根据设定的预案调整相应的环境参数。
在本申请实施例中，可以针对病虫害设定预案，并在种植设备中保存。当种植设备接收到病虫害预警信息时，可以根据设定的预案调整相应的环境参数。比如，通过其内置的温度调节装置调节种植设备内温度，或者通过其内置的营养液更换装置更换营养液等。
这样，可以有效避免病虫害的发生，减小病虫害带来的损失。
相应于上面的方法实施例，本申请实施例还提供了一种种植设备中植物病虫害预测装置，下文描述的一种种植设备中植物病虫害预测装置与上文描述的一种种植设备中植物病虫害预测方法可相互对应参照。
参见图2所示，该装置包括以下模块：
目标植物类型确定模块210，用于确定在种植设备内生长的目标植物的类型；
生长环境数据获得模块220，用于获得目标植物当前的生长环境数据；
数据比对模块230，用于将目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果，所述病虫害模型库与所述目标植物的类型相对应；
病虫害预测模块240，用于根据比对结果，预测目标植物在下一时段是否会发生病虫害。
应用本申请实施例所提供的装置，预先建立的与目标植物的类型相对应的病虫害模型库，在需要对目标植物是否会发生病虫害进行预测时，可
以将目标植物当前的生长环境数据分别与病虫害模型库中每种类型的病虫害对应的环境数据进行比对，根据比对结果，预测目标植物在下一时段是否会发生病虫害。这样，可以对目标植物在下一时段是否会发生病虫害进行较为准确的预测，便于种植设备或者用户及时采取相关措施，减小病虫害带来的损失，提升用户体验。
在本申请的一种具体实施方式中，病虫害预测模块240，包括：
匹配程度确定子模块，用于根据比对结果，确定目标植物当前的生长环境数据与病虫害模型库中每种类型的病虫害对应的环境数据的匹配程度；
比较子模块，用于确定各个匹配程度是否均小于预设第一阈值，如果是，则触发第一预测子模块，如果否，则触发第二预测子模块；
第一预测子模块，用于预测目标植物在下一时段不会发生病虫害；
第二预测子模块，用于预测所述目标植物在下一时段会发生病虫害。
在本申请的一种具体实施方式中，第二预测子模块，还用于：
在确定至少一个匹配程度大于或等于所述第一阈值时，如果所述目标植物当前的生长环境数据与一种或多种类型病虫害对应的环境数据的匹配程度大于预设第二阈值，则预测所述目标植物在下一时段会发生病虫害的类型。
在本申请的一种具体实施方式中，还包括预警信息输出模块，用于：
在预测目标植物在下一时段会发生病虫害时，输出病虫害预警信息。
在本申请的一种具体实施方式中，预警信息输出模块，具体用于：
将病虫害预警信息发送给种植设备，以使种植设备根据设定的预案调整相应的环境参数。
在本申请的一种具体实施方式中，还包括病虫害模型库建立模块，用于通过以下步骤预先建立病虫害模型库：
获得与目标植物的种类相同的植物的多组病虫害样本数据；
对获得的病虫害样本数据进行分析，确定每种类型的病虫害所对应的环境数据；
根据每种类型的病虫害和环境数据的对应关系，建立病虫害模型库。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (12)
- 一种种植设备中植物病虫害预测方法，其特征在于，包括：确定在种植设备内生长的目标植物的类型；获得所述目标植物当前的生长环境数据；将所述目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果，所述病虫害模型库与所述目标植物的类型相对应；根据所述比对结果，预测所述目标植物在下一时段是否会发生病虫害。
- 根据权利要求1所述的种植设备中植物病虫害预测方法，其特征在于，所述根据所述比对结果，预测所述目标植物在下一时段是否会发生病虫害，包括：根据所述比对结果，确定所述目标植物当前的生长环境数据与所述病虫害模型库中每种类型的病虫害对应的环境数据的匹配程度；确定各个匹配程度是否均小于预设第一阈值；如果是，则预测所述目标植物在下一时段不会发生病虫害；如果否，则预测所述目标植物在下一时段会发生病虫害。
- 根据权利要求2所述的种植设备中植物病虫害预测方法，其特征在于，在确定至少一个匹配程度大于或等于所述第一阈值时，还包括：如果所述目标植物当前的生长环境数据与一种或多种类型病虫害对应的环境数据的匹配程度大于预设第二阈值，则预测所述目标植物在下一时段会发生病虫害的类型。
- 根据权利要求1至3任一项所述的种植设备中植物病虫害预测方法，其特征在于，还包括：如果预测所述目标植物在下一时段会发生病虫害，则输出病虫害预警信息。
- 根据权利要求4所述的种植设备中植物病虫害预测方法，其特征在于，所述输出病虫害预警信息，包括：将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
- 根据权利要求1至3任一项所述的种植设备中植物病虫害预测方法，其特征在于，通过以下步骤预先建立所述病虫害模型库：获得与所述目标植物的种类相同的植物的多组病虫害样本数据；对获得的病虫害样本数据进行分析，确定每种类型的病虫害所对应的环境数据；根据每种类型的病虫害和环境数据的对应关系，建立所述病虫害模型库。
- 一种种植设备中植物病虫害预测装置，其特征在于，包括：目标植物类型确定模块，用于确定在种植设备内生长的目标植物的类型；生长环境数据获得模块，用于获得所述目标植物当前的生长环境数据；数据比对模块，用于将所述目标植物的生长环境数据分别与预先建立的病虫害模型库中每种类型的病虫害对应的环境数据进行比对，获得比对结果，所述病虫害模型库与所述目标植物的类型相对应；病虫害预测模块，用于根据所述比对结果，预测所述目标植物在下一时段是否会发生病虫害。
- 根据权利要求7所述的种植设备中植物病虫害预测装置，其特征在于，所述病虫害预测模块，包括：匹配程度确定子模块，用于根据所述比对结果，确定所述目标植物当前的生长环境数据与所述病虫害模型库中每种类型的病虫害对应的环境数据的匹配程度；比较子模块，用于确定各个匹配程度是否均小于预设第一阈值，如果是，则触发第一预测子模块，如果否，则触发第二预测子模块；所述第一预测子模块，用于预测所述目标植物在下一时段不会发生病虫害；所述第二预测子模块，用于预测所述目标植物在下一时段会发生病虫害。
- 根据权利要求8所述的种植设备中植物病虫害预测装置，其特征在于，所述第二预测子模块，还用于：在确定至少一个匹配程度大于或等于所述第一阈值时，如果所述目标植物当前的生长环境数据与一种或多种类型病虫害对应的环境数据的匹配程度大于预设第二阈值，则预测所述目标植物在下一时段会发生病虫害的类型。
- 根据权利要求7至9任一项所述的种植设备中植物病虫害预测装置，其特征在于，还包括预警信息输出模块，用于：在预测所述目标植物在下一时段会发生病虫害时，输出病虫害预警信息。
- 根据权利要求10所述的种植设备中植物病虫害预测装置，其特征在于，所述预警信息输出模块，具体用于：将病虫害预警信息发送给所述种植设备，以使所述种植设备根据设定的预案调整相应的环境参数。
- 根据权利要求7至9任一项所述的种植设备中植物病虫害预测装置，其特征在于，还包括病虫害模型库建立模块，用于通过以下步骤预先建立所述病虫害模型库：获得与所述目标植物的种类相同的植物的多组病虫害样本数据；对获得的病虫害样本数据进行分析，确定每种类型的病虫害所对应的环境数据；根据每种类型的病虫害和环境数据的对应关系，建立所述病虫害模型库。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611093073.5 | 2016-11-30 | ||
| CN201611093073.5A CN106779188A (zh) | 2016-11-30 | 2016-11-30 | 一种种植设备中植物病虫害预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2018099220A1 true WO2018099220A1 (zh) | 2018-06-07 |
Family
ID=58915770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2017/107917 WO2018099220A1 (zh) | 2016-11-30 | 2017-10-27 | 一种种植设备中植物病虫害预测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN106779188A (zh) |
| WO (1) | WO2018099220A1 (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902268A (zh) * | 2019-03-19 | 2019-06-18 | 石家庄市农林科学研究院 | 一种番茄茎基腐病的监测预警方法及装置 |
| CN111401613A (zh) * | 2020-03-06 | 2020-07-10 | 黑龙江力苗科技开发有限公司 | 一种温室作物产量预报方法 |
| CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
| CN111898590A (zh) * | 2020-08-26 | 2020-11-06 | 龙川县林业科学研究所 | 一种油茶病虫害监测方法 |
| CN113657771A (zh) * | 2021-08-19 | 2021-11-16 | 中化现代农业有限公司 | 农作物病虫害植保提醒方法、装置、电子设备和存储介质 |
| WO2022167240A1 (de) | 2021-02-03 | 2022-08-11 | Bayer Aktiengesellschaft | Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten |
| CN117391265A (zh) * | 2023-12-13 | 2024-01-12 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于大数据分析的林业病虫灾害风险预测方法 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779188A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
| CN107357271B (zh) * | 2017-06-30 | 2018-07-17 | 深圳春沐源控股有限公司 | 温室作物病虫害的防治方法、防治系统 |
| CN108665111B (zh) * | 2018-05-16 | 2021-08-13 | 陈孟禹 | 基于虫态发育与温度关系的胡杨春尺蠖防治期预测方法 |
| CN109378031B (zh) * | 2018-11-26 | 2021-02-26 | 杭州电子科技大学 | 一种基于植保和气象信息结合的水稻纹枯病预测方法 |
| CN109840549B (zh) * | 2019-01-07 | 2021-04-27 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
| CN110398503A (zh) * | 2019-02-27 | 2019-11-01 | 广西壮族自治区农业科学院 | 一种基于几何形态透射测量的植物病虫害检验方法 |
| CN110046269A (zh) * | 2019-04-24 | 2019-07-23 | 广东工业大学 | 一种植被养护方法、装置、设备及可读存储介质 |
| CN113377062B (zh) * | 2021-07-08 | 2021-12-21 | 深圳市汉品景观工程有限公司 | 一种具有病虫害和旱情监控的多功能预警系统 |
| CN114550848A (zh) * | 2022-02-21 | 2022-05-27 | 北京京东尚科信息技术有限公司 | 作物病害处理方法、装置、电子设备及计算机可读介质 |
| CN115879773B (zh) * | 2023-02-22 | 2023-05-16 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN118247075B (zh) * | 2024-05-28 | 2024-08-02 | 杨凌职业技术学院 | 一种智慧农业用虫害远程检测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
| US20160148104A1 (en) * | 2014-11-24 | 2016-05-26 | Prospera Technologies, Ltd. | System and method for plant monitoring |
| CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
| CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| CN106779188A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104950082A (zh) * | 2015-06-22 | 2015-09-30 | 黑龙江八一农垦大学 | 一种病虫害预测系统 |
| CN105850930A (zh) * | 2016-04-23 | 2016-08-17 | 上海大学 | 基于机器视觉的病虫害预警系统和方法 |
-
2016
- 2016-11-30 CN CN201611093073.5A patent/CN106779188A/zh active Pending
-
2017
- 2017-10-27 WO PCT/CN2017/107917 patent/WO2018099220A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
| US20160148104A1 (en) * | 2014-11-24 | 2016-05-26 | Prospera Technologies, Ltd. | System and method for plant monitoring |
| CN105787446A (zh) * | 2016-02-24 | 2016-07-20 | 上海劲牛信息技术有限公司 | 一种智慧农业病虫害远程自动诊断系统 |
| CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| CN106779188A (zh) * | 2016-11-30 | 2017-05-31 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902268A (zh) * | 2019-03-19 | 2019-06-18 | 石家庄市农林科学研究院 | 一种番茄茎基腐病的监测预警方法及装置 |
| CN111401613A (zh) * | 2020-03-06 | 2020-07-10 | 黑龙江力苗科技开发有限公司 | 一种温室作物产量预报方法 |
| CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
| CN111898590A (zh) * | 2020-08-26 | 2020-11-06 | 龙川县林业科学研究所 | 一种油茶病虫害监测方法 |
| WO2022167240A1 (de) | 2021-02-03 | 2022-08-11 | Bayer Aktiengesellschaft | Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten |
| CN113657771A (zh) * | 2021-08-19 | 2021-11-16 | 中化现代农业有限公司 | 农作物病虫害植保提醒方法、装置、电子设备和存储介质 |
| CN117391265A (zh) * | 2023-12-13 | 2024-01-12 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于大数据分析的林业病虫灾害风险预测方法 |
| CN117391265B (zh) * | 2023-12-13 | 2024-03-05 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 基于大数据分析的林业病虫灾害风险预测方法 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
| CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106779188A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018099220A1 (zh) | 一种种植设备中植物病虫害预测方法及装置 | |
| WO2018058821A1 (zh) | 一种基于种植设备的病虫害预测方法及装置 | |
| Deblauwe et al. | Remotely sensed temperature and precipitation data improve species distribution modelling in the tropics | |
| Lorite et al. | Using weather forecast data for irrigation scheduling under semi-arid conditions | |
| Shaker Reddy et al. | An enhanced multiple linear regression model for seasonal rainfall prediction | |
| Larson et al. | Linking population viability, habitat suitability, and landscape simulation models for conservation planning | |
| Fortin | Spatial statistics in landscape ecology | |
| CN109002604B (zh) | 一种基于贝叶斯最大熵的土壤含水量预测方法 | |
| CN106408132A (zh) | 一种基于种植设备的作物产量预测方法及装置 | |
| O’Leary et al. | Adapting to climate‐driven distribution shifts using model‐based indices and age composition from multiple surveys in the walleye pollock (Gadus chalcogrammus) stock assessment | |
| Duncan | How propagule size and environmental suitability jointly determine establishment success: a test using dung beetle introductions | |
| Nieto‐Lugilde et al. | Tree cover at fine and coarse spatial grains interacts with shade tolerance to shape plant species distributions across the Alps | |
| Fila et al. | Calibration and validation of grapevine budburst models using growth-room experiments as data source | |
| Ward et al. | Continuous calibration of a digital twin: Comparison of particle filter and Bayesian calibration approaches | |
| Peña et al. | Effects of endogenous and exogenous processes on aboveground biomass stocks and dynamics in Andean forests | |
| Verma et al. | Comparative analysis of CMIP5 and CMIP6 in conjunction with the hydrological processes of reservoir catchment, Chhattisgarh, India | |
| Aubry‐Kientz et al. | A joint individual‐based model coupling growth and mortality reveals that tree vigor is a key component of tropical forest dynamics | |
| Schwartz et al. | Beyond MAP: A guide to dimensions of rainfall variability for tropical ecology | |
| US20230169416A1 (en) | Pest distribution modeling with hybrid mechanistic and machine learning models | |
| CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
| Radhika et al. | Machine learning model for automation of soil texture classification | |
| Kumar et al. | Multiparameter optimization system with DCNN in precision agriculture for advanced irrigation planning and scheduling based on soil moisture estimation | |
| Olwoch et al. | Simulating tick distributions over sub‐Saharan Africa: the use of observed and simulated climate surfaces | |
| Pohl et al. | Observational evidence of legacy effects of the 2018 drought on a mixed deciduous forest in Germany | |
| Dimyati et al. | Paddy field classification with MODIS-terra multi-temporal image transformation using phenological approach in Java Island |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17875464 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 18/10/2019) |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 17875464 Country of ref document: EP Kind code of ref document: A1 |